- यह अध्ययन विश्लेषण करता है कि LLM (Large Language Model) का उपयोग निबंध लेखन प्रक्रिया में मानव के संज्ञानात्मक cost को कैसे प्रभावित करता है
- प्रतिभागियों को LLM group, search engine group, और Brain-only group में बाँटा गया और टूल उपयोग की शर्तों के अनुसार निबंध लेखन प्रयोग कराया गया
- EEG विश्लेषण के अनुसार, LLM उपयोग के समय neural network connectivity और cognitive engagement सबसे कम थी, जबकि Brain group सबसे ऊपर था
- निबंध लेखन के बाद ownership, citation क्षमता, और memory recall में LLM group का प्रदर्शन सबसे कमजोर रहा
- यह संकेत मिलता है कि LLM का उपयोग शुरुआत में efficient हो सकता है, लेकिन दीर्घकाल में learning और cognitive ability में गिरावट ला सकता है
सार
आज ChatGPT जैसे Large Language Model (LLM) उत्पादों के व्यापक अपनाए जाने के कारण, व्यक्ति और कंपनियाँ दोनों ही रोज़मर्रा में LLM का उपयोग कर रहे हैं। इन टूल्स में विशिष्ट फायदे और सीमाएँ साथ-साथ मौजूद हैं। यह अध्ययन निबंध लेखन के शैक्षिक संदर्भ में LLM के उपयोग की cognitive cost पर केंद्रित है, यानी LLM का उपयोग शिक्षार्थियों की cognitive structure और brain activity पर क्या प्रभाव डालता है।
अध्ययन के लिए प्रतिभागियों को LLM group, search engine group, और Brain group में बाँटा गया, और हर session में संबंधित टूल (या बिना टूल) का उपयोग करके निबंध लिखवाया गया। कुल 54 लोगों ने session 1~3 में भाग लिया, जिनमें से 18 ने session 4 तक पूरा किया। Session 4 में LLM group ने टूल का उपयोग नहीं किया, जबकि Brain group ने LLM का उपयोग किया और इस तरह भूमिकाएँ बदली गईं (LLM-to-Brain, Brain-to-LLM)। निबंध लेखन के दौरान प्रतिभागियों के EEG signals रिकॉर्ड किए गए और cognitive engagement, load, और neural connectivity का विश्लेषण किया गया। हर session के बाद interview, NLP analysis, और मानव शिक्षक तथा AI judging agent द्वारा मूल्यांकन भी किया गया।
विश्लेषण में Named Entities Recognition (NER), n-gram, और topic ontology के आधार पर हर group के भीतर उच्च समानता पाई गई। EEG analysis से पता चला कि हर group के neural connectivity patterns स्पष्ट रूप से अलग थे, और बाहरी टूल सपोर्ट जितना अधिक था, brain network का आकार और engagement उतना कम था (Brain > search engine > LLM)। Session 4 में LLM-to-Brain प्रतिभागियों में कमजोर brain connectivity, alpha और beta network activity का निम्न स्तर, और topic ownership की कम भावना देखी गई। इसके विपरीत, Brain-to-LLM प्रतिभागियों में memory recall क्षमता में सुधार और visual processing से जुड़े brain क्षेत्रों की reactivation देखी गई। LLM group के निबंध ownership, citation क्षमता, और memory recall तीनों में कमजोर रहे, जबकि search engine group में कुछ सुधार था, लेकिन वह भी Brain group से नीचे रहा।
निष्कर्षतः, LLM का उपयोग अल्पकालिक productivity बढ़ा सकता है, लेकिन कई महीनों तक दोहराए जाने पर brain behavior, linguistic achievement, और scores तीनों में Brain group की तुलना में लगातार कमजोर परिणाम दिखे। यह अध्ययन संकेत देता है कि AI tools का अत्यधिक उपयोग learning environment में cognitive और practical decline ला सकता है, और दीर्घकालिक learning design में सावधानी ज़रूरी है।
प्रयोग के मुख्य परिणामों का सार
- Session 4 में Brain-to-LLM प्रतिभागियों में session 1~3 के LLM group की तुलना में अधिक brain connectivity (alpha, beta, theta, delta सहित सभी bands) देखी गई। यह संकेत देता है कि AI की मदद के बिना स्वयं लिखने का अनुभव होने के बाद AI का उपयोग करने पर अधिक व्यापक brain network सक्रिय होता है
- LLM-to-Brain प्रतिभागियों में, LLM उपयोग का इतिहास होने के बावजूद बिना टूल लिखते समय अधिकांश brainwave measures में neurological non-cooperation (connectivity decline) और LLM-विशिष्ट vocabulary bias देखा गया
- AI और मानव दोनों के मूल्यांकन में LLM group के निबंधों में NER/n-gram diversity कम और संरचनात्मक समानता अधिक थी
- topic-आधारित विश्लेषण में LLM group और Brain group के बीच कुछ विशेष topics (HAPPINESS, PHILANTHROPY) पर अर्थपूर्ण भिन्न उपयोग patterns देखे गए
- groups के अनुसार OWNERSHIP और citation क्षमता का क्रम Brain > search engine > LLM था
पेपर की संरचना मार्गदर्शिका
- त्वरित overview: Discussion, Conclusion
- निबंध टेक्स्ट का NLP analysis: NLP ANALYSIS
- EEG data को समझना: EEG ANALYSIS
- topic-आधारित गहन विश्लेषण: TOPICS ANALYSIS
- प्रयोग की विस्तृत विधि और प्रतिभागी गतिविधियाँ: EXPERIMENTAL DESIGN
- appendix: अतिरिक्त data, EEG dDTF values आदि
परिचय
Large Language Models के तेज़ी से फैलाव ने काम, मनोरंजन, learning और रोज़मर्रा के जीवन के कई पहलुओं को मूल रूप से बदल दिया है। LLM में शिक्षा क्षेत्र के लिए learning experience personalization, instant feedback, और educational materials के democratization के लिहाज़ से बड़ी संभावनाएँ हैं। वास्तव में learner autonomy, engagement में सुधार, और personalized learning styles के समर्थन जैसे सकारात्मक प्रभाव रिपोर्ट किए गए हैं।
लेकिन LLM के व्यापक उपयोग के cognitive side effects भी साथ-साथ सामने आए हैं। जहाँ एक ओर यह तत्काल cognitive load कम करता है, वहीं critical thinking में कमी, deep analysis क्षमता का कमजोर होना, और engagement में गिरावट जैसी बातें भी रिपोर्ट हुई हैं। खासकर AI पर निर्भरता बढ़ने के साथ brain की analysis और judgment क्षमता कमजोर हो सकती है। अध्ययन में विशेष रूप से यह देखा गया कि युवा पीढ़ी में AI tools पर निर्भरता अधिक है, और इसके साथ cognitive performance scores में गिरावट की प्रवृत्ति भी जुड़ी हुई है।
इसके अलावा, AI के साथ interaction व्यक्ति के स्वतंत्र problem solving और critical thinking के अवसरों को कम कर सकता है, जिससे दीर्घकाल में मानव बौद्धिक विकास और autonomy पर नकारात्मक प्रभाव पड़ने की आशंका है। पारंपरिक search engine के विपरीत, LLM विभिन्न दृष्टिकोण देने के बजाय अधिक एकरूप उत्तर उत्पन्न करता है, इसलिए यह उपयोगकर्ता को सक्रिय information exploration से passive consumption की ओर मोड़ सकता है, और information processing तथा evaluation के तरीकों पर भी दीर्घकालिक प्रभाव डाल सकता है।
यह अध्ययन LLM-आधारित निबंध लेखन की cognitive cost को अनुभवजन्य रूप से मापता है। निबंध लेखन writing, information organization, citation, और critical thinking सहित कई cognitive processes की संयुक्त माँग वाला कार्य है, इसलिए इसका उपयोग शिक्षा और standardized assessments दोनों में व्यापक है। यह अध्ययन दिखाता है कि शिक्षा में LLM जैसे AI tools के उपयोग के दौरान दीर्घकालिक cognitive impacts पर सावधानी से विचार किया जाना चाहिए।
प्रयोग की रूपरेखा और कुछ विवरण
- प्रत्येक session में groups के बीच प्रतिभागियों की पुनर्व्यवस्था या tool-use conditions में बदलाव करके LLM, search engine, और Brain (बिना टूल) स्थितियों की तुलना की गई
- session 4 में Brain-only group ने पहली बार LLM का उपयोग किया (Brain-to-LLM), जबकि LLM group ने बिना टूल लिखा (LLM-to-Brain)
- प्रयोग के दौरान EEG और NLP metrics, निबंध का ownership, citability, और topic-wise diversity आदि का व्यवस्थित मूल्यांकन किया गया
- EEG analysis में neural network connectivity (dDTF analysis) सहित functional brain connectivity changes पर ध्यान केंद्रित किया गया
प्रयोग और विश्लेषण परिणामों की मुख्य विशेषताएँ
- LLM के उपयोग पर brainwave और linguistic diversity में स्पष्ट कमी आई, और task ownership, memory recall, तथा citation क्षमता तीनों में गिरावट दिखी
- Brain-only group ने समग्र रूप से brain network activation, linguistic diversity, ownership, और citability में श्रेष्ठ परिणाम दिखाए
- session 4 में Brain-to-LLM participants में, tool अपनाने से पहले की तुलना में memory recall में वृद्धि और visual-frontal क्षेत्रों की reactivation जैसे neural network changes अधिक स्पष्ट दिखे
- कुल मिलाकर, AI dependence जितनी बढ़ी, learning process में cognitive efficiency में कमी और active participation के loss की चिंता उतनी अधिक सामने आई
निष्कर्षात्मक अर्थ
यह पेपर बहु-स्तरीय data के आधार पर दिखाता है कि AI learning tools अल्पकाल में efficiency बढ़ा सकते हैं, लेकिन दीर्घकाल में cognition, learning motivation, ownership, और memory जैसे learning के मुख्य तत्वों पर नकारात्मक प्रभाव डाल सकते हैं। यह इस बात का संकेत देता है कि AI और LLM जैसी advanced educational technologies के design और adoption के समय इस तरह के cognitive debt और learning quality में गिरावट पर सावधानीपूर्वक विचार और अतिरिक्त शोध आवश्यक है।
1 टिप्पणियां
Hacker News राय
मुझे लगता है कि “cognitive debt” की बजाय संज्ञानात्मक गिरावट या संज्ञानात्मक क्षमता की हानि कहना ज़्यादा उपयुक्त होगा। दिमाग ऐसी जानकारी सहेजकर नहीं रखता जिसकी उसे ज़रूरत न हो। Google Maps के उपयोग पर पहले आए अध्ययनों को देखें तो GPS का बार-बार इस्तेमाल करने से spatial memory कमज़ोर होती है, और वास्तव में नक्शे पर निर्भर उपयोगकर्ताओं के मस्तिष्क के gray matter की मात्रा भी घटने के नतीजे मिले हैं। विज्ञान के क्षेत्र में विशेषज्ञता बनाने वाले कोई भी व्यक्ति जानते हैं कि किसी अवधारणा को सच में समझने के लिए उसके बारे में काफ़ी देर तक सोचना पड़ता है और अलग-अलग विचारों के बीच संबंधों को गहराई से खोजना पड़ता है। गणित की किताब को बस सरसरी निगाह से पढ़ लेने से गणित नहीं आ जाता। रुककर गहराई से सोचना ही पड़ता है। मुझे लगता है कि सोचने की क्रिया स्वयं मन के भीतर अवधारणाओं को स्थापित करती है ताकि वे समय बीतने के बाद भी उपयोगी रहें।
गणित की किताब को ऊपर-ऊपर पढ़ लेने से गणित नहीं आता, रुककर सोचना ज़रूरी है। और सबसे महत्वपूर्ण चीज़ है “लिखना”। लिखने से मेरा दिमाग अपने विचारों को संरचना दे पाता है। लिखना मेरे और मेरे अपने बीच एक संरचित संवाद बनाने का उपकरण है। यह मुझे अलग-अलग रास्तों को खोजने देता है। केवल सोचने की अपनी सीमाएँ हैं, लेकिन लिखना मुझे लगभग बिना सीमा अपने विचारों का अन्वेषण करने देता है। सोचने की क्रिया लिखने से गहराई से जुड़ी हुई है, चाहे वह लेखन हो, चित्र, सूत्र, ग्राफ़ आदि किसी भी रूप में। अब जब LLM धीरे-धीरे हमारे लिए लिखने लगे हैं, तो इसका मेरी संज्ञानात्मक क्षमता पर क्या असर पड़ेगा, यह जानने की उत्सुकता है।
मुझे लगता है कि cognitive debt शब्द सही है। क्या आपने कभी LLM से कोई बड़ी रिपोर्ट लिखवाई है? जब LLM ढांचा बना देता है, चार्ट और दलीलें भी आसानी से तैयार कर देता है, तो नतीजा धीरे-धीरे ऐसा बन जाता है जो वास्तव में मेरा नहीं होता। अपने नाम से जमा करने पर भी, जब समझाने को कहा जाता है, तो अक्सर अस्पष्टता रह जाती है। सामान्यतः मेरे दिमाग में एक उच्च-स्तरीय, वास्तविक समझ होती है, लेकिन LLM इस्तेमाल करने पर वह प्रक्रिया छूट जाती है। सचमुच मुख्य अवधारणाओं को समझाने की कोशिश करते समय कठिनाई होती है। अंततः मुझे उन मूलभूत अवधारणाओं को अपने दिमाग में खुद बनाना, बार-बार बदलना, और अलग-अलग श्रोताओं तक पहुँचाने की प्रक्रिया से वास्तव में गुजरना पड़ता है। cognitive debt उस अंतर को दिखाता है जो LLM से पहले मैं अपने मन में अनिवार्य रूप से खड़ा करता था और LLM के साथ जो उथलापन आता है। आख़िर में रिपोर्ट पर मेरा नाम ही होता है, लेकिन समय के साथ लोगों की लेखक से अपेक्षाएँ कम होती जा सकती हैं, या वे यह उम्मीद करने लगें कि LLM ही उसकी ओर से समझा देगा। हर LLM अपने अलग आंतरिक मॉडल और एल्गोरिद्म से वास्तविकता की नकल करता है, और सबसे सटीक अनुमान के लिए पर्याप्त 'समझ की गहराई' चाहिए। LLM-निर्भर लेखन यह गहराई नहीं बनाता। लंबी अवधि में यह पूरी आबादी में संज्ञानात्मक गिरावट या कौशल-हानि तक ले जा सकता है। छापाखाने के आने पर भी उस समय के धार्मिक अभिजातों को डर था कि आम लोग ठीक से पढ़ और व्याख्या नहीं कर पाएँगे, लेकिन वास्तव में ऐसा नहीं हुआ। लिखना ही सोचना है, यह बात सही लगती है, और मुझे अब तक लेखन से बेहतर उपकरण नहीं मिला। सोचना वह प्रक्रिया है जिसमें हम जानकारी के आधार पर मन के भीतर ऐसे मॉडल बनाते हैं जो हमें भविष्य का बेहतर अनुमान लगाने में मदद करें। हमारा जीवित रहना भी इसी पर निर्भर है। information theory के दृष्टिकोण से, “जीवविज्ञान को केवल information के प्रकाश में समझाने पर ही अर्थ मिलता है।” YouTube लिंक
“दिमाग ऐसी जानकारी सहेजकर नहीं रखता जिसकी ज़रूरत न हो” यह बात सुनकर मुझे यह जिज्ञासा होती है कि 20 साल से ज़्यादा समय से इस्तेमाल न किए गए DOS के config.sys और autoexec.bat से memory optimize करने का तरीका मुझे अब भी क्यों याद है। लगता नहीं कि आगे कभी यह कौशल फिर काम आएगा।
“cognitive decline” या “brain rot” जैसे शब्द बहुत उत्तेजक लग सकते हैं, और संबंधित पेपर में भी sample size छोटा होने की सीमा साफ़ लिखी गई है। पेपर में “cognitive debt” शब्द के लिए कोई आधार या citation नहीं है, इसलिए शीर्षक कुछ अजीब लगता है। ऐसा प्रभाव पड़ता है मानो अंत में सिर्फ़ शीर्षक बदल दिया गया हो। MIT का यह एक दिलचस्प अध्ययन है। हर psychology study की तरह इसमें भी स्वस्थ संदेह और स्वतंत्र सत्यापन ज़रूरी है। इसमें brain imaging और psychometrics दोनों को जोड़ा गया है, जैसे कोई समग्र पैकेज हो। ‘यह है LLM इस्तेमाल करने पर आपका दिमाग’ जैसी अधिकतर तस्वीरें मुझे काफ़ी मज़ेदार लगती हैं।
“दिमाग ऐसी जानकारी सहेजकर नहीं रखता जिसकी ज़रूरत न हो” यह बात सुनने में तो सही लगती है, लेकिन यह भी दिलचस्प है कि कुछ कौशल, जैसे एक बार सीख लेने के बाद जीवन भर न भूलने वाली साइकिल चलाना, वास्तव में खत्म नहीं होते।
“cognitive debt” पर चर्चा उपयुक्त है, लेकिन मुझे लगता है कि एक और अधिक व्यापक दृष्टि भी चाहिए। यह सिर्फ़ भाषा या spatial memory जैसे कौशलों के अस्थायी रूप से खोने या भूलने की बात नहीं है। बात उस स्थिति की है जहाँ एकीकृत तर्क करने वाले neural circuits संगठित और संभवतः अपरिवर्तनीय रूप से सिकुड़ने लगते हैं। “debt” शब्द में यह संकेत है कि अभ्यास से इसे चुकाया या ठीक किया जा सकता है, लेकिन असली ख़तरा उस क्षण में है जब हम “cognitive tipping point” पार कर देते हैं। यदि बहुत अधिक executive function, integration, और argumentation का बोझ बाहरी प्रणालियों, यानी LLM, को सौंप दिया जाए, तो दिमाग सिर्फ़ निष्क्रिय पड़े circuits को बेरहमी से prune नहीं करता, बल्कि उन्हें फिर से बनाने की “reconstruction capacity” भी खो सकता है। मानव मस्तिष्क version control के बिना चलने वाला “use-it-or-lose-it सिस्टम” है। एक बार जटिल संज्ञानात्मक क्षमताएँ चली जाएँ, तो मानो “source code” ही ख़राब हो गया। collapsed neural network को git revert से वापस नहीं लाया जा सकता। ये HN टिप्पणियाँ भले निबंध-लेखन पर केंद्रित हों, लेकिन वास्तव में पूरा समाज अपनी बौद्धिक क्षमताओं को बाहरी प्रणालियों को सौंपने का एक विशाल, अनियंत्रित प्रयोग चला रहा है। लंबी अवधि में समाज सिर्फ़ कौशल-विहीन नहीं होगा, बल्कि ऐसी संरचनात्मक सीमा में फँस सकता है जहाँ “उस तरह से सोचना ही असंभव” हो जाए। इसलिए असली सवाल सिर्फ़ “संज्ञानात्मक ऋण से कैसे बचें” नहीं है। डर यह है कि “जब जैविक मस्तिष्क स्वयं को optimize करते-करते आलस्य के लिए घातक रूप से optimize कर ले, तो क्या हमें अपने मन को धारण करने के लिए किसी नए container की ज़रूरत होगी?” संबंधित लिंक
AI, Zettelkasten (कनेक्टेड नोट-टेकिंग सिस्टम) का उलटा है। जहाँ मनुष्य किसी विषय में खुद गहराई से उतरकर अधिक गहरी अंतर्दृष्टि पा सकता है, वहाँ AI-आधारित आउटपुट के ऊपर तेज़ लेकिन उथला दोहराव होने लगता है। उदाहरण के लिए, मैं मध्य-पूर्व की स्थिति को समझना चाहता था, इसलिए OpenAI के साथ मिलकर Hammas और Hizbulah की उत्पत्ति पर 10 पन्नों का निबंध लिखा, लेकिन मुझे कुछ भी याद नहीं रहा। यहाँ तक कि जो थोड़ी-बहुत बातें बची भी थीं, उनमें भी यह साफ़ नहीं था कि वे मेरे द्वारा सुधारे गए AI hallucination थे या असली तथ्य।
मैं LLM की उपयोगिता को लेकर कुछ हद तक आशावादी हूँ, लेकिन ऊपर कही बात से सहमत हूँ। LLM को अच्छी तरह संभालने की instinct विकसित की जा सकती है, लेकिन उससे वास्तव में समझाकर बता सकने वाला ज्ञान या चुनौतीपूर्ण सोच विकसित नहीं होती। बल्कि मुख्य बात यह है कि व्यक्ति कुछ खास output patterns, prompt tuning, और context control का आदी हो जाता है, जैसे किसी तरह की “muscle memory” बन रही हो। मुझे लगता है कि इस तरह के “skills” मॉडल बेहतर होते ही जल्दी गायब हो जाएँगे। यह स्थिति कुछ हद तक assembly line workers की असहायता जैसी भी लगती है।
जिन हिस्सों को इंसान ने खुद हाथ लगाकर सुधारा होता है, वे ज़्यादा याद रहते हैं। जो हिस्से बिना समस्या के निकल गए, उनकी तुलना में जिन पर मैंने खुद काम किया, वे अधिक याद रह जाते हैं।
अधिकतर बुद्धिमान लोग जानते हैं कि लेखन केवल परिणाम पाने का तरीका नहीं, बल्कि “सोचने” की प्रक्रिया है। LLM इस प्रक्रिया में एक अच्छे sparring partner की तरह हो सकता है, जो मेरी गलतियाँ बताए, खाली जगहें और त्रुटियाँ पकड़े, या दुनिया को समझने के लिए सामान्य शोध में मदद करे। लेकिन यह तभी सही है जब LLM लेख को “मेरी जगह लिखने” के लिए नहीं, बल्कि मेरे स्वयं सोचने की प्रक्रिया में सहायक रूप में इस्तेमाल हो। फिर भी, अंतिम परिणाम में स्रोतों की पुष्टि हमेशा करनी ही चाहिए।
व्यक्तिगत रूप से यह शोध-परिणाम मुझे चौंकाने वाला नहीं लगा। जब मैंने AI की मदद से अपना लेखन या अनुवाद-कार्य किया, तब मुझे कम महसूस हुआ कि मैं स्वयं सक्रिय रूप से डूबा हुआ हूँ या सोच में गहराई से शामिल हूँ। लेकिन जब AI का उपयोग बिल्कुल अलग तरीके से किया, तब बहुत अधिक immersion महसूस हुआ। मैंने 2 हफ़्तों तक Claude Code के साथ idea generation, research, और essay/paper automation पर प्रयोग किया, और उस पूरी प्रक्रिया में मानसिक रूप से उतनी ही गहरी भागीदारी महसूस हुई जितनी “वास्तविक” लेखन में होती है, भले उसका स्वभाव अलग हो। जिन परिणामों पर मैंने प्रयोग किया, वे भी काफ़ी अच्छे थे। भले AI ने निबंध या पेपर लिखा हो, खुद पढ़ने पर वे पर्याप्त रूप से दिलचस्प लगे। हाँ, उन्हें सार्वजनिक करने या किसी paper की तरह submit करने का इरादा नहीं है।
इस घटना को “cognitive offloading” कहा जाता है। जो लोग coding assistant के साथ काफ़ी समय तक काम कर चुके हैं, वे सब इससे सहमत होंगे।
जैसे mechanization के विकास ने मानव उद्योग-जगत पर असर डाला, उसी तरह LLM जैसी नई तकनीकों का हमारी cognitive structure पर क्या व्यापक प्रभाव पड़ेगा, इस पर सोचने की ज़रूरत है। मेरा मानना है कि automation दोहराए जाने वाले और उबाऊ कामों को संभालकर इंसानों को अधिक creative और innovative कामों की ओर जाने के लिए ऊर्जा और समय देता है। जिज्ञासा इस बात की है कि LLM, GPS जैसे उपकरणों का बढ़ता उपयोग सिर्फ़ अल्पकालिक बदलाव ही नहीं, बल्कि दीर्घकाल में सोचने के तरीके को भी बदल सकता है या नहीं। search engines के साथ बड़े हुए लोगों की पीढ़ी ने याद करने की क्षमता कुछ खोई, लेकिन जानकारी “कैसे खोजनी है” यह याद रखने के तरीके से अनुकूलन कर लिया। क्या यह उसी तरह का सतत विकास है जिसमें पुरानी क्षमताएँ स्वाभाविक रूप से बदल जाती हैं, या LLM पर बढ़ती निर्भरता ऐसे मूलभूत कौशलों की हानि लाएगी जिन्हें बदला ही नहीं जा सकता, यह सोचने वाली बात है।
नीचे दिए गए उद्धरण में कहा गया है कि “LLM ने सवाल-जवाब की दुनिया में प्रवेश की बाधा कम कर दी है, लेकिन इस सुविधा की कीमत पर उपयोगकर्ताओं की यह प्रवृत्ति घटती है कि वे LLM के जवाब या ‘राय’ — जो वास्तव में training data पर आधारित probabilistic estimates हैं — को आलोचनात्मक दृष्टि से देखें।” अंततः ‘echo chamber’ समाप्त नहीं हुआ, बल्कि उपयोगकर्ता की exposure अब algorithmically ranked “पहले दिखाए गए” कंटेंट की ओर संरचनात्मक रूप से पुनर्गठित हो गई है। और वह “priority” भी LLM मालिकों, यानी shareholders, के मूल्यों को दर्शाती है।
यह बात मैं भी हाल में लगातार सोच रहा था, इसलिए मैंने थोड़ी देर के लिए copilot आज़माया। मैं करियर के शुरुआती दौर में हूँ और हर दिन सीख रहा हूँ। LLM की मदद लेने से काम तेज़ी से पूरा हो सकता है, लेकिन तब शायद मैं कौशल आसानी से सीखने के अवसर खो दूँगा। मैं इस दावे से सहमत नहीं हूँ कि “निम्न-स्तर की critical thinking अब धीरे-धीरे महत्वहीन हो जाएगी और आगे सिर्फ़ उच्च-स्तरीय या abstract planning की ज़रूरत होगी।” भावनात्मक स्तर पर भी मुझे इस बात में गर्व और अर्थ महसूस होता है कि “मैं खुद कुछ जानता हूँ और अपने हाथ से कर सकता हूँ।” मुझे LLM का उपयोग कठिन नहीं लगता, और ज़रूरत पड़े तो मैं नए उपकरण चुनकर इस्तेमाल कर सकता हूँ, लेकिन फिलहाल अपने दम पर सीखने और बढ़ने की प्रक्रिया अधिक मूल्यवान लगती है।
मेरा मानना है कि AI अपनाने से सिर्फ़ entry-level लोगों की संख्या कम नहीं होगी, बल्कि जो entry-level लोग बचेंगे, वे भी अगर AI पर निर्भर हो गए तो कुछ सीखे बिना हमेशा के लिए उसी स्तर पर अटके रह सकते हैं।
AI के साथ लिखने पर उस क्षण तो लगता है कि लेखन बहुत सहज और सुचारु हो रहा है, लेकिन साथ ही यह भी महसूस होता है कि मैं विचारों पर गंभीरता से मेहनत नहीं कर रहा। तैयार लेख भी ऊपर से चमकदार लगता है, पर कुछ समय बाद अक्सर याद नहीं रहता कि मैंने वह वाक्य क्यों लिखा था। अभी मैं पहले अपना draft खुद लिखता हूँ, फिर AI से उसे polish करता हूँ। मेहनत थोड़ी ज़्यादा लगती है, लेकिन इससे निश्चित रूप से अधिक सीखता हूँ और बातें लंबे समय तक याद रहती हैं।